面向移动机器人感知的无监督时序一致分段
计算机视觉与模式识别
2025-07-31 v1 机器人学
摘要
快速的地形感知自主地面导航进展得益于监督语义分段方法的进步。然而，这些方法依赖昂贵的数据收集和繁琐的人工标注来训练深度模型。此外，自动化系统正越来越多地部署在未经预先安排的、非结构化环境中，在这些环境中不存在标注数据，语义类别可能模糊或特定于领域。最近的零样本无监督分段方法在此类场景中显示出前景，但通常仅针对单个帧工作，缺乏跨帧的时间一致性——这一特性对于在非结构化环境中实现稳健感知至关重要。为此，我们引入Frontier-Seg，这是一种针对移动机器人视频流进行时序一致无监督地形分段的方法。Frontier-Seg聚类来自基础模型背部（具体为DINOv2）提取的超像素级特征，并在帧之间强制执行时间一致性，以在没有人工监督的情况下识别持久的地形边界或前沿。我们在一组多样化的基准数据集上评估了Frontier-Seg，包括RUGD和RELLIS-3D，展示了其在非结构化离野外环境中进行无监督分段的能力。
引用
@article{arxiv.2507.22194,
title = {Temporally Consistent Unsupervised Segmentation for Mobile Robot Perception},
author = {Christian Ellis and Maggie Wigness and Craig Lennon and Lance Fiondella},
journal= {arXiv preprint arXiv:2507.22194},
year = {2025}
}